PostgreSQL
 sql >> Teknologi Basis Data >  >> RDS >> PostgreSQL

PostgreSQL 12:Menerapkan K-Nearest Neighbor Space Partitioned Generalized Search Tree Indexes

Nilai pengindeksan

PostgreSQL menyediakan operator jarak linier sederhana <-> (jarak linier). Kami akan menggunakan ini untuk menemukan titik yang paling dekat dengan lokasi tertentu.

PostgreSQL menyediakan operator jarak linier sederhana data, dan tidak melakukan optimasi dan tidak memiliki indeks, kita melihat rencana eksekusi berikut:

time psql -qtAc "

EXPLAIN (ANALYZE ON, BUFFERS ON)
SELECT name, location
FROM geonames
ORDER BY location <-> '(29.9691,-95.6972)'
LIMIT 5;

"  <-- closing quote

                                      QUERY PLAN
-----------------------------------------------------------------------------------------------------------
Limit  (cost=418749.15..418749.73 rows=5 width=38) 
        (actual time=2553.970..2555.673 rows=5 loops=1)
  Buffers: shared hit=100 read=272836
  ->  Gather Merge  (cost=418749.15..1580358.21 rows=9955954 width=38) 
                    (actual time=2553.969..2555.669 rows=5 loops=1)
        Workers Planned: 2
        Workers Launched: 2
        Buffers: shared hit=100 read=272836
        ->  Sort  (cost=417749.12..430194.06 rows=4977977 width=38)
                 (actual time=2548.220..2548.221 rows=4 loops=3)
              Sort Key: ((location <-> '(29.9691,-95.6972)'::point))
              Sort Method: top-N heapsort  Memory: 25kB
              Worker 0:  Sort Method: top-N heapsort  Memory: 26kB
              Worker 1:  Sort Method: top-N heapsort  Memory: 25kB
              Buffers: shared hit=100 read=272836
              ->  Parallel Seq Scan on geonames  (cost=0.00..335066.71 rows=4977977 width=38) 
                                        (actual time=0.040..1637.884 rows=3982382 loops=3)
                    Buffers: shared hit=6 read=272836
Planning Time: 0.493 ms
Execution Time: 2555.737 ms

real    0m2.595s
user    0m0.011s
sys    0m0.015s

dan inilah hasilnya:(hasil yang sama untuk semua permintaan, jadi kami akan mengabaikannya nanti.)

nama lokasi
Cypress (29.96911,-95.69717)
Gereja Baptis Cypress Pointe (29.9732,-95.6873)
Kantor Pos Cypress (29.9743,-95.67953)
Sumur Panas (29.95689,-95.68189)
Bandara Dry Creek (29.98571,-95.68597)

Jadi, 418749.73 adalah biaya OPTIMIZER untuk dikalahkan, dan butuh dua setengah detik (2555.673) untuk mengeksekusi kueri itu. Ini sebenarnya adalah hasil yang sangat bagus, menggunakan PostgreSQL tanpa optimasi sama sekali terhadap tabel 11 juta baris. Ini juga mengapa kami memilih kumpulan data yang lebih besar, karena akan ada perbedaan yang sangat minimal menggunakan indeks terhadap kurang dari 10 juta baris. Pemindaian berurutan paralel sangat bagus, tapi itu artikel lain.

Menambahkan indeks GiST

Kami memulai proses pengoptimalan dengan menambahkan indeks GiST. Karena kueri contoh kami memiliki

LIMIT

klausa dari 5 item, kami memiliki selektivitas yang sangat tinggi. Ini akan mendorong perencana untuk menggunakan indeks, jadi kami akan menyediakan indeks yang berfungsi cukup baik dengan data geometri.

time psql -qtAc "CREATE INDEX idx_gist_geonames_location ON geonames USING gist(location);"

Tindakan membuat indeks membutuhkan sedikit biaya.

CREATE INDEX
real    3m1.988s
user    0m0.011s
sys     0m0.014s

Kemudian jalankan kueri yang sama lagi.

time psql -qtAc "

EXPLAIN (ANALYZE ON, BUFFERS ON)
SELECT name, location
FROM geonames
ORDER BY location <-> '(29.9691,-95.6972)'
LIMIT 5;

"

                                      QUERY PLAN
----------------------------------------------------------------------------------
Limit  (cost=0.42..1.16 rows=5 width=38) (actual time=0.797..0.881 rows=5 loops=1)
  Buffers: shared hit=5 read=15
  ->  Index Scan using idx_gist_geonames_location on geonames  
            (cost=0.42..1773715.32 rows=11947145 width=38) 
            (actual time=0.796..0.879 rows=5 loops=1)
        Order By: (location <-> '(29.9691,-95.6972)'::point)
        Buffers: shared hit=5 read=15
Planning Time: 0.768 ms
Execution Time: 0.939 ms

real    0m0.033s
user    0m0.011s
sys     0m0.013s

Dalam hal ini, kami melihat beberapa peningkatan yang cukup dramatis. Perkiraan biaya kueri hanya 1,16! Bandingkan dengan biaya asli kueri yang tidak dioptimalkan di 418749,73. Waktu sebenarnya yang dibutuhkan adalah 0,939 milidetik (sembilan persepuluh milidetik), yang dibandingkan dengan 2,5 detik dari kueri asli. Hasil ini membutuhkan lebih sedikit waktu untuk direncanakan, mendapatkan perkiraan yang jauh lebih baik, dan membutuhkan waktu proses sekitar 3 kali lipat lebih sedikit.

Mari kita lihat apakah kita bisa melakukan yang lebih baik.

Menambahkan indeks SP-GiST

time psql -qtAc "CREATE INDEX idx_spgist_geonames_location ON geonames USING spgist(location);"

CREATE INDEX 

real    1m25.205s
user    0m0.010s
sys        0m0.015s

Dan kemudian kami menjalankan kueri yang sama lagi.

time psql -qtAc "

EXPLAIN (ANALYZE ON, BUFFERS ON)
SELECT name, location
FROM geonames
ORDER BY location <-> '(29.9691,-95.6972)'
LIMIT 5;

"

                                      QUERY PLAN
-----------------------------------------------------------------------------------
 Limit  (cost=0.42..1.09 rows=5 width=38) (actual time=0.066..0.323 rows=5 loops=1)
   Buffers: shared hit=47
   ->  Index Scan using idx_spgist_geonames_location on geonames  
            (cost=0.42..1598071.32 rows=11947145 width=38) 
            (actual time=0.065..0.320 rows=5 loops=1)
         Order By: (location <-> '(29.9691,-95.6972)'::point)
         Buffers: shared hit=47
 Planning Time: 0.122 ms
 Execution Time: 0.358 ms
(7 rows)

real    0m0.040s
user    0m0.011s
sys        0m0.015s

Wow! Sekarang menggunakan indeks SP-GiST, biaya kueri hanya 1,09, dan dieksekusi dalam 0,358 milidetik (sepertiga milidetik).

Mari kita periksa beberapa hal tentang indeks itu sendiri, dan lihat bagaimana indeks itu saling menumpuk di disk.

Perbandingan indeks

nama indeks waktu pembuatan perkiraan waktu kueri ukuran indeks rencanakan waktu
tidak terindeks 0S 418749.73 2555.673 0
idx_gist_geonames_location 3M 1S 1.16 ,939 md 868 MB
idx_spgist_geonames_location 1M 25S 1,09 ,358 md 523 MB .122

Kesimpulan

Jadi, kita melihat bahwa SP-GiST dua kali lebih cepat dari GiST dalam eksekusi, 8x lebih cepat untuk direncanakan, dan sekitar 60% dari ukuran disk. Dan (relevan dengan artikel ini) juga mendukung pencarian indeks KNN pada PostgreSQL 12. Untuk jenis operasi ini, kami memiliki pemenang yang jelas.

Lampiran

Menyiapkan data

Untuk artikel ini, kami akan menggunakan data yang disediakan oleh GeoNames Gazetteer.
Karya ini dilisensikan di bawah Lisensi Creative Commons Attribution 4.0
Data disediakan "sebagaimana adanya" tanpa jaminan atau representasi apa pun dari akurasi, ketepatan waktu, atau kelengkapan.

Buat struktur

Kami memulai proses dengan membuat direktori kerja dan sedikit ETL.

# change to our home directory
cd
mkdir spgist
cd spgist
# get the base data.  
# This file is 350MB.  It will unpack to 1.5GB
# It will expand to 2GB in PostgreSQL,
#    and then you will still need some room for indexes
#  All together, you will need about 
#  3GB of space for this exercise
#  for about 12M rows of data.

psql -qtAc "

CREATE TABLE IF NOT EXISTS geonames (
geonameid           integer primary key
,name               text 
,asciiname          text 
,alternatenames     text 
,latitude           numeric(13,5) 
,longitude          numeric(13,5)
,feature_class      text 
,feature_code       text 
,country            text 
,cc2                text 
,admin1             text 
,admin2             bigint 
,admin3             bigint 
,admin4             bigint 
,population         bigint 
,elevation          bigint 
,dem                bigint 
,timezone           text 
,modification date  );

COMMENT ON COLUMN geonames.geonameid          
 IS ' integer id of record in geonames database';
COMMENT ON COLUMN geonames.name               
 IS ' name of geographical point (utf8) varchar(200)';
COMMENT ON COLUMN geonames.asciiname          
 IS ' name of geographical point in plain ascii characters, varchar(200)';
COMMENT ON COLUMN geonames.alternatenames     
 IS ' alternatenames, comma separated, ascii names automatically transliterated, 
    convenience attribute from alternatename table, varchar(10000)';
COMMENT ON COLUMN geonames.latitude           
 IS ' latitude in decimal degrees (wgs84)';
COMMENT ON COLUMN geonames.longitude          
 IS ' longitude in decimal degrees (wgs84)';
COMMENT ON COLUMN geonames.feature_class      
 IS ' http://www.geonames.org/export/codes.html, char(1)';
COMMENT ON COLUMN geonames.feature_code       
 IS ' http://www.geonames.org/export/codes.html, varchar(10)';
COMMENT ON COLUMN geonames.country            
 IS ' ISO-3166 2-letter country code, 2 characters';
COMMENT ON COLUMN geonames.cc2                
 IS ' alternate country codes, comma separated, ISO-3166 2-letter country code, 
    200 characters';
COMMENT ON COLUMN geonames.admin1             
 IS ' fipscode (subject to change to iso code), see exceptions below, 
    see file admin1Codes.txt for display names of this code; varchar(20)';
COMMENT ON COLUMN geonames.admin2             
 IS ' code for the second administrative division, a county in the US, 
    see file admin2Codes.txt; varchar(80) ';
COMMENT ON COLUMN geonames.admin3             
 IS ' code for third level administrative division, varchar(20)';
COMMENT ON COLUMN geonames.admin4             
 IS ' code for fourth level administrative division, varchar(20)';
COMMENT ON COLUMN geonames.population         
 IS ' bigint (8 byte int) ';
COMMENT ON COLUMN geonames.elevation          
 IS ' in meters, integer';
COMMENT ON COLUMN geonames.dem                
 IS ' digital elevation model, srtm3 or gtopo30, average elevation of 3''x3'' 
    (ca 90mx90m) or 30''x30'' (ca 900mx900m) area in meters, integer. 
    srtm processed by cgiar/ciat.';
COMMENT ON COLUMN geonames.timezone           
 IS ' the iana timezone id (see file timeZone.txt) varchar(40)';
COMMENT ON COLUMN geonames.modification       
 IS ' date of last modification in yyyy-MM-dd format';

"  #<-- Don't forget the closing quote

ETL

wget http://download.geonames.org/export/dump/allCountries.zip
unzip allCountries.zip

# do this, and go get a coffee.  This took nearly an hour
#   there will be a few lines that fail, they don't really matter much
IFS=$'\n'

for line in $(<allCountries.txt)
do

    echo -n "$line" | 
        psql -qtAc

    "COPY geonames FROM STDIN WITH CSV DELIMITER E'\t';"

2> errors.txt
done

Bersihkan dan Siapkan

Semua hal lain yang kami lakukan dari dalam psql:

psql

-- This command requires the installation
--  of postgis2 from your OS package manager.
-- For OS/X that was `port install postgresql12-postgis2`
-- it will be something similar on most platforms.
-- (e.g. apt-get install postgresql12-postgis2, 
--  yum -y install postgresql12-postgis2, etc.)
CREATE EXTENSION postgis;
CREATE EXTENSION postgis_topology;

ALTER TABLE geonames ADD COLUMN location point;

-- Go get another cup of coffee, this is going to rewrite the entire table with the new geo column.
UPDATE geonames SET location = ('(' || latitude || ', ' || longitude || ')')::point;

DELETE FROM geonames WHERE latitude IS NULL or longitude IS NULL;
-- DELETE 32   -- In my case, this ETL anomoly was too small
--  to bother fixing the records

-- Bloat removal from the update and delete operations
CLUSTER geonames USING geonames_pkey;

  1. Database
    2.   
  2. Mysql
    3.   
  3. Oracle
    4.   
  4. Sqlserver
    5.   
  5. PostgreSQL
    6.   
  6. Access
    7.   
  7. SQLite
    8.   
  8. MariaDB

  1. Bagaimana mencegah PDO menafsirkan tanda tanya sebagai pengganti?

  2. Tidak ditemukan driver yang cocok untuk jdbc:postgresql://192.168.1.8:5432/NexentaSearch

  3. Memetakan tipe serial PostgreSQL dengan anotasi Hibernate

  4. PostgreSQL meneruskan data dari CTE rekursif ke fungsi

  5. Kontainer Spring Docker tidak dapat mengakses kontainer Postgres Docker